机器视觉名词解释

1.曝光 exposure

在摄影过程中进入镜头照射在感光元件上的光量,由光圈、快门、感光度的组合来控制

 

2.曝光时间

是为了将光投射到照相感光材料的感光面上,快门所要打开的时间。

视照相感光材料的感光度和对感光面上的照度而定。

曝光时间长的话进的光就多,适合光线条件比较差的情况。

曝光时间短的话进的光就少,适合光线条件比较好的情况。

 

相机曝光时间是指从快门打开到关闭的时间间隔

在这一段时间内,物体可以在底片上留下影像,曝光时间是看需要而定的,没有长短好坏的说法只有需要的讲法。

比如你拍星星的轨迹,就需要很长的曝光时间(可能是几个小时),这样星星的长时间运动轨迹就会在底片上成像。

如果你要拍飞驰的汽车清晰的身影就要用很短的时间(通常是几千分之一秒)。

 

 

2.1 感光度

又称为ISO值,是衡量底片对于光的灵敏程度,

对于较不敏感的底片,需要曝光更长的时间以达到跟较敏感底片相同的成像,因此通常被称为慢速底片。高度敏感的底片因而称为快速底片。

2.2 照度

光照强度是一种物理术语,指单位面积上所接受可见光的光通量。简称照度 

用于指示光照的强弱和物体表面积被照明程度的量。

 

 

 

3.图像 图像文件 图形

文件和文件格式是不一样的,文件好比水,文件格式好比这杯水放在什么容器内

图像和图像文件也是不一样的,

从摄像头进来的是图像,是由一个个像素组成的,每个像素存放在一个byte空间(所以8位灰度图像:     0-255:0表示最暗色,255表示最亮色)

而图像文件是存在硬盘内的,有不同的数据格式 x.jpg x.png ...

图形不受缩放的影响,和分辨率无关,比如CAD的图形,是矢量的几何

二值图像、8位灰度图像和彩色图像!

 

4.区域和图像

区域不等于图像

在图像上按住CTRL,不仅有坐标,还有灰度值,

但在区域上是只有坐标

ROI(region of interest),感兴趣区域

4.1绘制ROI

选择某种类型区域----插入代码---

gen_rectangle1 (ROI_0, 229.5, 283.5, 393.5, 718.5)

 

5. 三大数据类型 gray  region  xld

图像  区域  亚像素轮廓 

 

转载于:https://www.cnblogs.com/-Mr-y/p/8390941.html

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值